INSTITUTO TECNOLÓGICO SUPERIOR

DE HUAUCHINANGO

NOMBRE DEL ALUMNO:

PAREDES VELAZQUEZ AMAIRANI
CUEVAS HERNANDEZ ANALAURA
GONSALES MONTZERRAT
MARTINEZ FUENTES JOSE LUIS

NUMERO DE CONTROL:
G14310582

G16310105
NOMBRE DEL DOCENTE:
PORFIRIO LEYVA LAZCANO

NOMBRE DE LA ASIGNATURA:
ADMO. DE OPERACIONES I
UNIDAD II
INVESTIGACIÓN
REGRESION LINEAL MULTIPLE

5° SEMESTRE
GRUPO 3
AULA
J-21
INTRODUCCIÓN:
La regresión múltiple nos permite averiguar el efecto simultaneo de varias
variables independientes en una variable dependiente utilizando el principio de los
mínimos cuadrados.
Existen muchas aplicaciones importantes de la regresión múltiple en el mundo de
las empresas y en la economía. Entre estas aplicaciones se encuentran las
siguientes:
1. La cantidad vendida de bienes es una función del precio, la renta, la
publicidad, el precio de los bienes sustitutivos y otras variables.
2. Existen inversiones de capital cuando un empresario cree que puede
obtener un beneficio. Por lo tanto, la inversión de capital es una función de
variables relacionadas con las posibilidades de obtener beneficios, entre las
que se encuentran el tipo de interés, el producto interior bruto, las
expectativas de los consumidores, la renta disponible y el nivel de
tecnológica.
3. EI salario es una función de la experiencia, la educación, la edad y el
puesto de trabajo.
4. Las grandes empresas del comercio al por menor y el conjunto de servicios
que ofrece la hostelería deciden la localización de los nuevos
establecimientos basándose en los ingresos previstos por ventas y/o en la
rentabilidad. Utilizando datos de localizaciones anteriores que han tenido
éxito y que no han tenido, los analistas desarrollan y construyen modelos
que predicen las ventas futuras para tomar decisiones en base a los
resultados y determinar de si es viable o no los beneficios que se
generará la nueva localización posible de un establecimiento. Para esto
utilizan:
La regresión múltiple como instrumento de laboratorio para el trabajo de los
directivos y de los economistas.

DESARROLLO:
Modelo de regresión múltiple
Comprendiendo perfectamente la regresión múltiple, es posible resolver una amplia
variedad de problemas aplicados. Este estudio de los métodos de regresión múltiple es
paralelo al de la regresión simple. El primer paso para desarrollar un modelo es la
especificación de ese modelo, que consiste en la selección de las variables del modelo y
de la forma del modelo.

Después se estudia la estimación, los intervalos de confianza y el contraste de

hipótesis. Se utilizan frecuentemente en aplicaciones informáticas para indicar
como se aplica la teoría a problemas realistas.
En la estrategia para especificar un modelo influyen los objetivos del modelo. Uno
de los objetivos es la predicción de una variable dependiente o del resultado.
Entre las aplicaciones se encuentran la predicción de las ventas, de la
producción, del consumo total, de la inversión total y otros muchos criterios de los
resultados empresariales y económicos.
La variación marginal es más difícil de estimar porque las variables independientes
están. relacionadas no solo con las variables dependientes sino también entre Sí.
Si dos variables independientes o más varían en una relación lineal directa entre
sí, es difícil averiguar eI efecto que produce cada variable independiente en la
variable dependiente.
El efecto de una variable de predicción es el efecto que produce esa variable
cuando se combina con las demás. Por lo tanto, en general, el coeficiente de una
variable no indica el efecto que produce esa variable en todas las condiciones.
Estas complejidades se analizarán más determinadamente cuando se desarrolle el
modelo de regresión múltiple.

Estimación de los parámetros o coeficientes de regresión: la ecuación de

predicción o ecuación de regresión múltiple.
Una vez que ya hemos analizado el carácter e intensidad de la relación entre las
variables, podemos proceder a estimar los parámetros de la ecuación de
predicción o de regresión lineal. En el caso del análisis de regresión múltiple
tendremos tantas ecuaciones como modelos o pasos hayamos efectuado. De
todos ellos elegiremos aquel que mejor se ajuste. Éste es el último de los modelos
generados.
Los estadísticos asociados a la variable independiente que han pasado a formar
parte del modelo de regresión simple son:
 Coeficiente de regresión B.
Este coeficiente nos indica el número de unidades que aumentará la variable
dependiente o criterio por cada unidad que aumente la variable independiente.
 SEB.
 Error típico de B.
 Coeficiente Beta.
El coeficiente Beta es el coeficiente de regresión estandarizado. Expresa la
pendiente de la recta de regresión en el caso de que todas las variables estén
transformadas en puntuaciones Z.

 Constante.
El valor de la constante coincide con el punto en el que la recta de regresión corta
el eje de ordenadas. En la ecuación de predicción se mantiene constante para
todos los individuos. Cuando las variables han sido estandarizadas (puntuaciones
Z) o si se utilizan los coeficientes Beta, la constante es igual a 0 por lo que no se
incluye en la ecuación de predicción.

 Tolerancia.
La tolerancia (T) de una variable en un paso cualquiera del análisis stepwise es la
proporción de su varianza intra-grupo no explicada por otras variables del análisis
(1-R2). Antes de incluir una variable en el modelo se comprueba que su tolerancia
es superior al nivel fijado. Si el valor de la tolerancia de una de las variables
independientes es próximo a 0 podemos pensar que ésta es una combinación
lineal del resto de variables. Sin embargo, si el valor de T se aproxima a 1, la
variable en cuestión puede reducir parte de la varianza no explicada por el resto
de variables. Se excluyen del modelo las variables que presentan una tolerancia
muy pequeña.

 Valor T.
El estadístico T nos permite comprobar si la regresión entre una variable
independiente y la dependiente es significativa. Si el p-valor asociado al
estadístico T (Sig T) es mayor al nivel de significación (normalmente 0.05)
rechazaremos que la regresión sea significativa para las dos variables
relacionadas.
A tenor de los resultados arrojados sólo nos resta construir la ecuación predictiva.
En el ejemplo que se recoge en la sección de Resultados, la transcripción de los
resultados a la ecuación quedaría como sigue (al tener las variables la misma
escala se toman los coeficientes de B):
 Y = a + b1x1 + e
Ó

presente (p7A) = 0,51 + 0,87pasado (p7B) + e

EJEMPLOS:

CONCLUSIÓN:
La regresión múltiple es una herramienta de gran utilidad que nos permite
pronosticar diferentes puntos como ventas, producción, gastos, ganancias,
perdidas entre otros mediante el uso de variables dependientes e independientes
que permite determinar el crecimiento de la empresa y tomar las decisiones
correctas ante cualquier problema que la regresión múltiple puede pronosticar. La
regresión múltiple también nos puede servir para entender la relación funcional
entre la variable dependiente y las variables independientes conocida como (Y)

BIBLIOGRAFIAS:
 Galdos Cálculo y Estadística III Edición Unica. Grupo La Republica. Lima
Perú; 2005. ·
 Cannavos G. Probabilidad y Estadística Aplicación y métodos. Ed. en
español Mc GRAW- HILL/INT